🤖 AI

DisMix: Order-Aware Mixup for Medical Imaging via Disentangling Ordinal and Non-Ordinal Features

DisMix 是一个用于医学影像的序向感知混合（order-aware mixup）框架，它采用双码本 VQ-VAE 来解耦序向特征与非序向特征，从而实现能够保留疾病严重程度演进过程并增强外观多样性的独立混合，以提升序向分类性能。

原作者： Dileepa Pitawela, Gustavo Carneiro, Hsiang-Ting Chen

发布于 2026-08-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Dileepa Pitawela, Gustavo Carneiro, Hsiang-Ting Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你是一名正在试图破解谜题的侦探，而线索并非仅仅是“有罪”或“无罪”，而是存在于一个严重程度的滑动刻度之上。在医学影像的世界里，医生通常需要对疾病进行分级，而不是简单的“是”或“否”的问题，而是一个进阶过程：一个小划痕、一个轻微淤青、一道深切口，或者一根碎裂的骨头。这被称为序数分类（ordinal classification）。这就像是在将照片按“晴天”到“暴雨之夜”进行排序，而不是简单地将它们分为“蓝色”或“红色”。

为了教会计算机完成这项任务，科学家们使用了一个聪明的技巧——混合（mixup）。想象一下，你将两张照片融合在一起，像调配颜料一样将它们混合，然后告诉计算机：“这张新图片是两者的中间状态。”通常情况下，这在简单的任务中效果很好。但在医学领域，这就像是将一张健康的膝盖照片与一张骨折的膝盖照片混合，并期望结果看起来像是一个“轻微受损”的膝盖。通常，计算机会感到困惑，因为混合过程会抹除重要的医学线索（严重程度），并混入随机的背景噪声（例如 X 光的角度或皮肤的颜色）。这篇论文针对的就是这个特定的混乱问题，它提出了一种更聪明的图像混合方式，让计算机能够学习正确的教训，而不被噪声干扰。

问题所在：当混合颜料毁掉画面时

作者 Dileepa Pitawela、Gustavo Carneiro 和 Hsiang-Ting Chen 注意到了目前计算机学习评估疾病等级的一个重大缺陷。标准的“混合”技术就像是一个混乱的厨师，在没有检查食材是否匹配的情况下就将它们扔进搅拌机。如果你将一张轻微疾病的图像与一张严重疾病的图像混合，计算机看到的将是一团乱麻。它可能会不小心将疾病的严重程度（重要的部分）与图像的背景（不重要的部分，如光照或患者的肤色）混合在一起。

结果呢？计算机学会了将“轻微”和“严重”看作一种令人困惑的模糊状态。它可能会认为，仅仅因为光照奇怪，健康的膝盖看起来就像是骨折了一样；或者它可能会创造出一个“科学怪人”式的图像，看起来像是一个现实中并不存在的膝关节。论文指出，这种“无差别混合”破坏了医生用于评估疾病等级所依赖的结构。

解决方案：DisMix（智能搅拌机）

为了解决这个问题，团队推出了 DisMix。把 DisMix 想象成一个拥有两个独立出料口的超级智能搅拌机。在混合任何东西之前，它会先将食材分类到两个堆栈中：

“严重程度”堆栈： 这仅包含那些能告诉计算机疾病有多严重的线索（例如病灶的大小或关节间的缝隙）。
“风格”堆栈： 这包含了除了分级之外的所有其他信息，比如照片的角度、皮肤的颜色或随机的人造伪影。

DisMix 使用了一种特殊的工具，叫做双码本 VQ-VAE（这是一个用于学习如何分离这两个堆栈的专业机器名称）。它强迫计算机学习“病人的病情如何”与“照片看起来如何”是两件不同的事情。

一旦食材分类完成，DisMix 会以非常特定的方式进行混合：

混合严重程度： 它提取轻症病例和重症病例中的“严重程度”线索，并将它们混合，以创造出一个完美的“中等”病例。这教会了计算机“中间状态”的疾病看起来是什么样的。
混合风格： 它提取不同患者的“风格”线索并进行交换。这在不破坏严重程度评分的前提下，增加了训练数据的多样性。

研究发现：更清晰的画面

团队在四个不同的医学数据集上测试了这个想法，包括膝关节 X 光片（膝关节骨关节炎）、眼底扫描（糖尿病视网膜病变）和组织样本。他们将 DisMix 与六种流行的混合方法进行了对比，并使用六种不同类型的医学分级算法进行了测试。

结果非常理想。在 24 个不同的测试场景中，DisMix 在 20 个场景中都取得了最高的准确率。此外，与现有的最佳方法相比，它将平均分级误差降低了 4%–6%。

其中一个最有趣的发现是 DisMix 处理“分级变异性”的能力。在现实生活中，不同的医生可能会对疾病是“轻度”还是“中度”产生分歧。即使在训练数据很乱或图像数量很少的情况下，DisMix 依然表现稳健。例如，当团队将训练数据限制为通常量的 10% 时，Disмx 仍然优于其他方法，即使在只有 60 张原始图像的情况下，其准确率仍提高了约 1.5%。

为什么这很重要

论文指出，通过将“是什么”（疾病严重程度）与“看起来如何”（背景噪声）分离，我们可以更好地教会计算机理解疾病的演变过程。作者展示了他们的方法所生成的图像具有生物学上的合理性——例如，它生成的是一个真正变窄的膝关节，而不是一个奇怪且扭曲的形状。

虽然生成的图像旨在帮助训练计算机而非直接用于患者诊断，但这项研究表明，这种“感知顺序”的方法是一个强大的进步。它证明了，当我们不再盲目地混合一切，而是开始尊重医学严重程度的顺序时，我们的 AI 模型会变得更加敏锐、可靠，并能更好地处理医学数据的复杂现实。

技术摘要：DisMix —— 通过解耦序数与非序数特征实现面向医学影像的序数感知 Mixup

问题陈述

标准的图像 Mixup 增强技术（一种通过生成中间样本来提高深度学习泛化能力的广泛使用的技术）在处理医学影像中普遍存在的序数分类任务（例如疾病严重程度分级）时，存在根本性的不适用性。在这些领域中，标签代表的是严重程度的演进过程（例如 Kellgren–Lawrence 0–4 级），而非离散且独立的类别。

传统的 Mixup 策略会无差别地混合两种截然不同的特征类型：

序数特征（Ordinal features）： 定义秩或严重程度的线索（例如，病灶大小、关节间隙变窄）。
非序数特征（Non-ordinal features）： 与严重程度无关的外观层面的变化（例如，成像伪影、背景、染色差异）。

这种纠缠的混合破坏了底层的序数结构。正如论文中所展示的，标准 Mixup 会产生生物学上不合理的结构（例如，方向错误的膝关节间隙或多个视盘），并扭曲特征分布，导致不同等级的样本发生纠缠。这种失效模式阻碍了鲁棒序数分类器的学习，尤其是在存在分级变异性（标注者之间存在分歧）的情况下。

方法论：DisMix

为了解决传统 Mixup 与序数学习之间的不兼容问题，作者提出了 DisMix，一个序数感知的 Mixup 框架。其核心创新在于，在进行混合之前，将序数特征和非序数特征显式地解耦到两个独立的潜在子空间中。

1. 解耦表示学习

DisMix 采用双码本向量量化变分自编码器（Dual-codebook VQ-VAE），将输入图像分解为两个不同的潜在成分：

序数潜在变量 ( $z_o$ )： 捕捉定义等级的结构。
非序数潜在变量 ( $z_n$ )： 编码与等级无关的变化（外观）。

该架构通过以下机制进行优化：

序数分支： 编码器特征受序数软标签（源自多位标注者）的约束，以使表示向等级语义偏移。基于注意力的量化器从序数码本 ( $M_o$ ) 中选择离散代码。一个辅助线性分类器通过软序数回归（SOR）损失来强制要求 $z_o$ 保留序数信息。
非序数分支： 为了抑制序数信息，该分支利用对抗目标。一个线性分类器尝试从 $z_n$ 中预测等级，但其梯度通过**梯度反转层（GRL）**进行反转。这迫使非序数量化器丢弃等级敏感信号。
解耦正则化： 通过最小化两个潜在表示之间的余弦相似度，确保两个子空间保持独立。
对抗训练： 一个多任务判别器确保重建图像的感知真实性和序数一致性。

2. 序数感知 Mixup 策略

一旦训练并冻结 VQ-VAE，DisMix 通过独立操作潜在代码来生成增强样本。论文定义了四种混合策略（表 1）：

序数混合（Ordinal Mix）： 插值序数代码 ( $\tilde{z}_o = \lambda z_o^i + (1-\lambda)z_o^j$ )，同时保持非序数代码固定。这会生成具有软标签的中间等级。
非序数混合（Non-Ordinal Mix）： 插值非序数代码，同时保持序数代码（及相应的等级标签）固定。这在不改变严重程度的情况下引入外观多样性。
顺序交换（Order Swap）： 在两个样本之间交换序数代码和非序数代码。
生成与混合（Generate & Mix）： 通过将锚点图像的序数代码调节为新等级，生成一个相邻等级的变体，然后应用序数混合。

这些策略允许进行受控的增强，在丰富外观多样性的同时，保留序数流形。

核心贡献

DisMix 框架： 引入了一种序数感知的 Mixup 方法，该方法将序数特征和非序数特征解耦到不同的潜在子空间中，从而能够合成符合序数逻辑的增强样本。
解耦潜在策略： 提出了特定的混合策略（序数混合、非序数混合、顺序交换、生成与混合），这些策略分别在解耦的子空间上运行，以防止序数信号被破坏。
全面评估： 在四个医学影像数据集（膝关节骨关节炎、糖尿病视网膜病变、结直肠组织病理学、前列腺组织病理学）上，针对六种先进的 Mixup 基准方法和六种序数分类器进行了广泛的基准测试。

实验结果

作者在 24 种 Mixup 方法与序数分类器的组合中对 DisMix 进行了评估。主要发现包括：

综合性能： DisMix 在 24 种设置中的 20 种中达到了最高的准确率，并在 24 种设置中的 15 种中达到了最低的平均绝对误差（MAE）。
统计显著性： 与最强的基准方法相比，DisMix 实现了统计学显著的综合准确率提升（单侧 Wilcoxon 符号秩检验， $p = 0.0075$ ），并将 MAE 降低了 4–6%。
数据稀缺性： 在数据稀缺的情况下（每类仅使用 10% 的样本进行训练），DisMix 优于基准方法，在 IDRID 数据集上以极少的训练数据将准确率提高了约 1.5%。
对分级变异性的鲁棒性： 在高分级变异性（高达 70% 的分歧）下，DisMix 依然有效，而其他方法（特别是在高混合概率下）会出现性能下降。
边界误差减少： DisMix 一致性地实现了最低的边界级分类错误（例如，与最佳基准相比，在 IDDRID 上减少了 9% 的 C2↔C3 错误）。
定性分析： 可视化证实，DisMix 能产生生物学上合理的过渡（例如，更暗的病灶、更窄的关节间隙），同时保留非序数属性；而其他方法往往会产生解剖学上不一致的伪影。

重要性与主张

论文认为，传统 Mixup 与序数学习之间根本性的不兼容性源于等级定义特征与无关外观变化的纠缠。通过解耦这些因素，DisMix 实现了一种尊重底层序数几何结构的受控混合。

作者声称，DisMix 证明了序数感知混合对于序数数据的必要性。不同于以往的方法要么破坏标签，要么由于忽略外观线索而低估了增强作用，DisMix 提供了一种在增强语义多样性的同时保持标签保真度的机制。结果强调，基于解耦的方法是实现鲁棒医学影像序数学习的一个有前景的方向，特别是在涉及分级变异性和有限数据的情况下。

论文对其研究范围保持了审慎的态度，指出生成的图像旨在用于数据增强，而非直接的临床解释，且插值的等级作为软监督而非新的临床定义等级。此外，作者承认训练解耦表示存在计算开销，但指出这是在各个下游任务中摊销的一次性成本。